(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110348334.8 (22)申请日 2021.03.31 (65)同一申请的已公布的文献号 申请公布号 CN 112966449 A (43)申请公布日 2021.06.15 (73)专利权人 中国航空综合 技术研究所 地址 100028 北京市朝阳区东 直门外京顺 路7号 (72)发明人 臧阳阳　栗仕强　梁昭磊　汪启华　 (74)专利代理 机构 北京孚睿湾知识产权代理事 务所(普通 合伙) 11474 专利代理师 孙建 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01)(56)对比文件 AU 2020101854 A4,2020.09.24 WO 20151725 60 A1,2015.1 1.19 CN 110738307 A,2020.01.31 王绍平等.基 于支持向量机和顺序前项选择 算法的PN N风电机组液压 变桨的故障诊断. 《液压 气动与密封》 .2020,(第04期), 审查员 李祖布 (54)发明名称 基于变量选择和概率神经网络的制造过程 质量缺陷根源 诊断方法 (57)摘要 本发明提供了一种基于变量选择和概率神 经网络的制造过程质量缺陷根源诊断方法， 该方 法包括： 确定质量数据的来源、 组成要素和采集 方式， 构建装配过程影 响因素和产品质量指标的 映射管理， 开展针对性的数据预处理分析， 构建 制造过程质量数据集； 基于变量选择的方法筛选 制造过程质量因素， 建立基于特征选择的制造过 程和产品质量等级之间的质量预测模 型； 基于概 率神经网络估计质量预测模型， 设计基于后向选 择的关键过程因素选择算法。 本发 明可为产品质 量特性的预测和导致产品质量问题的根源定位， 提升产品制造过程能力和产品质量的一致性、 稳 定性， 为基于数据驱动的定量化技术支撑和决策 提供依据。 权利要求书3页 说明书9页 附图2页 CN 112966449 B 2022.12.09 CN 112966449 B 1.一种基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法， 其特征在 于， 所述方法包括以下步骤： S1、 构建制造过程质量数据集： 确定质量数据的来源、 组成要素和采集方式， 构建装配 过程影响因素和产品质量指标的映射管理， 开展针对性的数据预处理分析， 构建制 造过程 质量数据集， 所述 步骤S1具体包括以下步骤： S11、 确定质量数据的来源、 组成要素和采集方式： 质量影响因素包含各零件的加工精 度、 表面粗糙度、 零件间的配合参数、 零件变形参数、 装配工艺参数、 检验数据和环境参数， 形成涵盖零件参数、 过程变量、 过程精度和产品质量状态在内全过程的质量预测分析数据 集； S12、 构建装配过程影响因素和产品质量指标的映射管理： 梳理装配过程各因素对装配 质量特性形成过程的影响关系， 以及零部件质量特性与产品质量特性的映射关系， 分析工 艺要素、 工艺过程、 工艺输出参数对性能参数和产品质量指标等的影响， 实现零部件级质量 特性到产品级质量特性的传递； S13、 开展针对性的数据预处理分析： 对采集的数据进行预处理， 包括数据清洗、 数据可 信度检验和标准 化处理， 构建制造过程质量数据集； S2、 基于变量选择构建质量预测模型： 基于变量选择的方法筛选制造过程质量因素， 建 立基于特 征选择的制造过程和产品质量 等级之间的质量预测模型； S3、 基于概率神经网络估计质量预测模型： 提出采用概率神经网络分类算法进行质量 预测模型 的估计， 得到产品质量特性的估计值， 所述质量预测模型包含输入层、 模式层、 求 和层和输出层； S4、 设计基于后向选择的关键过程因素选择算法： 在所有过程因素中选取最优因素从 质量预测模型中剔除， 并重复继续在剩余的过程因素中选取最优因素从质量预测模型中剔 除， 直至剔除p ‑sn个因素即选出sn个模型因素时停止 。 2.根据权利要求1所述的基于变量选择和概率神经网络的制造过程质量缺陷根源诊断 方法， 其特 征在于， 所述 步骤S2具体包括以下步骤； S21、 基于制造过程质量数据集， 其质量预测模型为： y＝f(x1,x2,…,xp)+ξ          (1) 其中： f(·)表示从过程因素x到质量等级y的映射； xj表示第j个 过程因素且j＝1, …,p； ξ表示均值 为0的预测误差； S22、 提出基于变量选择的影响因素识别方法： 采用惩罚函数L0惩罚和L1惩罚来筛选变 量， 将非关键质量影响因素从模型中剔除， 进 而从众多因素中识别出重要的关键影响因素； S23、 以多分类马修斯相关系数为基础， 构建质量预测目标函数中的损失函数， 并设计 为多分类马修 斯相关系数的相反数， 基于变量选择的质量预测模型为： 其中： δmk表示真实质量等级矩阵δn×q的第m行第k列值， δn×q矩阵为质量等级y的One ‑Hot权　利　要　求　书 1/3 页 2 CN 112966449 B 2编码表示； 表示预测质量等级矩阵 的第m行第k列值， n表示样本总个数， q表示样本类 别数 ； 和 分别表示δn×q矩阵 和 矩阵 第k列的 均值 ， 且 I为指示函数， 当条件满足时为1， 否则为0； αj表示产品质量特征的重要性 指标； sn表示关键质量影响因素个数， 即模型应包 含的变量个数且sn≤p。 3.根据权利要求1所述的基于变量选择和概率神经网络的制造过程质量缺陷根源诊断 方法， 其特 征在于， 所述 步骤S3具体包括以下步骤； S31、 输入层将特征向量传入网络， 输入层个数是预测样本中过程因素的个数， 基于概 率神经网络的质量预测模型接 收来自预测样本的过程参数值， 采用后向特征选择方法， 初 始时模型包 含所有过程 参数， 节点数为p， 各节点输入值 为预测样本x的各个维度上 取值； S32、 模式层为径向基层， 通过连接权值与输入层连接， 计算输入特征向量与训练集中 各个模式的匹配程度， 将其距离送入核函数得到模式层的输出， 基于训练样 本， 采用高斯核 估计方法， 估计概率神经网络隐含层至求和层的输入/输出关系， 即向量x＝[x1,x2,…,xp]T 输入到模式层， 模式层中第k类模式的第i个神经 元节点的输出为： 其中： xki表示第k类模式的第i个样本的过程参数向量； n表示训练样本总个 数； nk表示yk 对应的训练样本总数， σ 表示可调整的平 滑参数， 其 值在0到1之间； S33、 求和层将各个 类的模式层单 元连接起来， 第k个节点的输出 结果为： S34、 输出层将输出求和层中得分最高的质量 等级作为 最终预测结果， 其预测值 为： 由式(3)～(5)可 得预测样本x的预测质量 等级为， 4.根据权利要求1所述的基于变量选择和概率神经网络的制造过程质量缺陷根源诊断 方法， 其特 征在于， 所述 步骤S4具体包括以下步骤； S41、 在所有过程因素中选取最优因素 从质量预测模型中剔除， 剔除的因素为： 其中： 表示元素剔除后估计的协方差相关系数， nt表示预测样本个数； 此时， 式(6)中x与xki分别表示预测目标集和训练集中剔除第j个元素后的向量， 即 权　利　要　求　书 2/3 页 3 CN 112966449 B 3